[发明专利]一种基于超像素的自适应彩色图像分割方法

摘要

一种基于超像素的自适应彩色图像分割方法，包括以下步骤：1.输入待分割的彩色图像；2.对待分割的彩色图像进行过分割操作，计算超像素；3.计算超像素的数目和特征；4.初始化局部搜索的核模糊聚类算法有关参数；5.执行局部搜索的核模糊聚类算法；6.用核化聚类指标KI对不同分类进行评价，找到图像的最佳分割数目、聚类中心、隶属度矩阵；7.利用三项参数对原图像中的像素点进行标记赋值，得到最终的分割结果。本发明在图像分割前，先对图像做过分割操作，降低了算法的时间复杂度；将数据进行低维到高维空间的转换，扩大了算法的适用范围；采用核化聚类指标KI对聚类进行评价，实现了图像分割的自适应。

主权项

1.一种基于超像素的自适应彩色图像分割方法，其特征在于，包括以下步骤：步骤一、输入待分割的彩色图像；步骤二、初始化线性采样迭代聚类法SLIC的相关参数，对待分割的彩色图像进行过分割操作，计算超像素并得到超像素中对应每个像素的标签：segments；步骤三、计算超像素的数目和特征，具体为，3a)将步骤二中得到的像素标签segments按照公式numSuperpixels＝max(segments)+1，求得超像素的个数；3b)分别在每个超像素区域计算该区域内所有像素的R、G、B三个通道上均值，构成一个numSuperpixels×3的特征矩阵，用以代表过分割图像，记作：meanSpectral；步骤四、初始化局部搜索的核模糊聚类算法LKFC有关参数，包括最大迭代次数max_iter、停止阈值min_iter、最小近邻数k_nearest和高斯核函数中的参数σ；步骤五、执行局部搜索的核模糊聚类算法LKFC，具体为，5a)将步骤三得到的超像素的特征矩阵meanSpectral，通过非线性变换Ψ，将输入空间做低维到高维的变换；5b)若将meanSpectral分1类时，其聚类中心为meanSpectral的均值，记作：center；5c)计算meanSpectral中的第一个样本点data(1)与其他样本点的距离，并按照距离升序排列，取出data(1)的k_nearest个近邻对象，并利用该k_nearest个近邻对象的均值来作为第二个聚类中心的初始值，与center组合完成LKFC中求2分类时的中心初始化，并将用到的k_nearest个对象从特征矩阵meanSpectral中删除，生成新的数据集data_new，重复以上过程，直到data_new中的样本点小于k_nearest；5d)在步骤5c)中，得到一系列不同情况下的2分类聚类中心和其对应的隶属度矩阵，通过核化聚类指标KI进行评价，2分类时k＝2，找到最好的2分类的聚类中心v_i和其对应的隶属矩阵u_ij：其中，其中n是指超像素区域的数目，x_i是超像素区域i的RGB特征，通过评价结果找到最好的2分类的聚类中心v_j和其对应的隶属矩阵u_ij；5e)用5d)中得到的2分类的聚类中心，重复步骤5c)计算3分类时的聚类中心，依此类推，求得分类数目为k的聚类中心和隶属度；步骤六、用核化聚类指标KI对1，2，...，kmax不同分类数目下的结果进行评价，其中KI最大值对应的分类数目k便是图像的最佳分割数目c_opt，并保留其对应的聚类中心v_opt和隶属度矩阵u_opt；步骤七、利用步骤六得到的最佳分割数目c_opt、聚类中心v_opt和隶属度矩阵u_opt三项参数对超像素区域中的像素点进行标记赋值，得到最终的分割结果。